Physics-Informed Neural Networks for Modeling of Electric Submersible Pumps in Oil Wells

Abstract

Physics-Informed Neural Networks (PINN) er nevrale nettverk som inkluderer kjente fysiske sammenhenger inn i treningsprosessen sin, slik at de kan modellere fysiske systemer effektivt, selv med begrenset tilgang til systemdata. PINNs har mange fordeler som gjør dem egnet til bruk i reguleringssystemer. Physics-Informed Neural Nets for Control (PINC) er en modifikasjon av den opprinnelige PINN formuleringen som muliggjør denne typen bruk. Denne oppgaven forsøker å utnytte den naturlige evnen fysikkbasert maskinlæring har til å integrere fysiske sammenhenger, for å modellere oppførselen til en Electric Submersible Pump (ESP). Dette gjøres ved å lage en PINN-modell og en PINC-modell for systemet. De eksperimentelle resultatene fra forsøkene gjort med PINN-modellen viser at de oppnådde resultatene i stor grad kan sammenlignes med løsningene funnet ved bruk av RK4. Dette kan ses som en bekreftelse på evnen PINN har til å effektivt løse komplekse problemer, samtidig som de underliggende fysiske lovene respekteres, i tråd med obserasjoner gjort i tidligere forskning. Imidlertid viser den implementerte PINC-modellen mer varierte resultater, og det kan observeres en generell økning i avviket mellom modellutgangen og løsningen fra RK4 gjennom simuleringstiden. Derfor, selv om PINC-modellen viser potensiale, er det nødvendig med videre undersøkelser angående kapasiteten til modellen. Utfordringene som oppstår i forsøket på å trene og sikre påliteligheten til PINC-modellen for ESP-systemet, understreker nødvendigheten av videre undersøkelser og forsøk på optimalisering før slike modeller kan anvendes i praksis.

Physics-Informed Neural Networks (PINNs) are Neural Networks (NNs) with the ability to incorporate known governing physical equations into their training process, enabling them to efficiently model physical systems, even with limited access to data. The numerous benefits of PINNs render them an attractive choice for control applications. The Physics-Informed Neural Net for Control (PINC) is a modification of the original PINN that can be used for this. This thesis attempts to leverage the inherent ability of physics-informed machine learning to integrate known physical principles, to model the behavior of an Electric Submersible Pump (ESP). This is done by creating a PINN model and a PINC model for the system. The experimental results of the PINN model demonstrate comparability with solutions derived from RK4. This is further affirming its capacity to efficiently solve complex problems while adhering to the underlying physics of the system, in line with observations from previous research. However, the implemented PINC model exhibits more varied outcomes and a general increase in the deviation between the model output and the solution from RK4 over the course of simulation time. Although the PINC model demonstrates potential, its performance requires further investigation. The challenges encountered in effectively training the PINC and ensuring reliability when applied to the ESP system, suggest the necessity of continued investigation and optimization efforts before the practical application of such models.